🎮 基于深度学习的英雄联盟胜率预测

📚 项目简介

• 🌴项目为本人毕业设计
• 🌱论文题目为《基于深度学习的英雄联盟胜率预测研究》
• 🌲毕业院校：北京石油化工学院（BIPT）
• 🌳院系：经济管理学院
• 🌾专业：大数据管理与应用
• 🌿年级：20级
• 🌵本项目旨在使用双向LSTM（BiLSTM_Att）结合注意力机制预测英雄联盟比赛的胜率。数据来自LPL赛事和玩加电竞，共计约32900条比赛记录。四大二分类指标均达到95%左右。 模型基于Pytorch构建，依据双方阵容选择来预测比赛胜率，通过注意力机制来提取关键信息，提高模型的准确性。

🚙 在线体验

• 🚀https://lpl.viper3.top

🛠 项目结构

.
│  app.py                     # Web应用入口
│  README.md                  # 项目说明文件
│  requirements.txt           # 项目依赖
│  venv                       # 虚拟环境
│  env.py                  # 环境配置
│
├─BILSTM_Att                  # 模型相关目录
│  │  BILSTM_Att.pt           # 训练好的模型文件
│  │  BILSTM_Att.py           # 模型定义与实现
│  │  predict.py              # 模型预测
│  │  predict——producer.py    # RockctMQ生产者
│  │  predict——consumer.py    # RockctMQ消费者
│  │  test.py                 # 模型测试
│  │  test——producer.py       # RockctMQ生产者
│  │  test——consumer.py       # RockctMQ消费者
│  │  train.py                # 模型训练
│
├─crawling_data               # 数据爬取与处理
│  │  collecting_data.py      # 数据收集
│  │  concat_json.py          # JSON数据合并
│  │  process_data.py         # 数据预处理
│
├─data                        # 数据目录
│  ├─csv
│  │      lol_rank.csv        # 排名数据
│  │
│  └─json
│          example_data.json  # 示例数据
│          hero_info.json     # 英雄信息
│          hero_list.json     # 英雄列表
│          hero_win_rate.json # 英雄胜率
│          team_list.json     # 队伍列表
│
├─log                        # 日志文件夹
│      lol.log
│
├─static                     # 静态文件
│  │  lol.ico
│  │  lpl.ico
│  │
│  ├─css
│  │      style.css          # 页面样式
│  │      themes_base_jquery-ui.css
│  │
│  ├─images
│  │      avatar.png         # 头像
│  │      background.jpg     # 背景图片
│  │      leagueoflegends.webp # 英雄联盟图标
│  │
│  ├─js
│  │      beifen.js          # 前端脚本
│  │      echarts.min.js
│  │      fuse.min.js
│  │      jquery-3.6.0.min.js
│  │      main.js
│  │      ui_1.12.1_jquery-ui.js
│  │
│  └─saved_model
│          BILSTM_Att.pt
│
└─templates                  # 模板文件目录
        index.html           # 前端HTML页面

🕹 运行环境

确保安装以下依赖：

• 🌶Python 3.10.7+
• 🌽Flask
• 🥕PyTorch
• 🍅其他依赖请参考 requirements.txt

🧬 安装依赖（建议使用虚拟环境）

python -m venv venv  # 创建虚拟环境
venv/Scripts/activate  # 激活虚拟环境

pip install -r requirements.txt

🧲 数据收集与预处理

1. 🍓运行数据收集脚本：

   python collecting_data.py

2. 🍒运行数据合并脚本：

   python concat_json.py

3. 🍑运行数据预处理脚本：

   python process_data.py

🧩 训练模型

python train.py

🎐 进行预测

python predict.py

🎯 启动Web应用

python app.py

打开浏览器访问 http://127.0.0.1:5000，使用页面输入队伍信息并预测胜率。

🔑 详细文件说明

🍍BILSTM_Att.py

实现了BiLSTM_Att模型和注意力机制，用于训练和预测。主要模块包括：

• 🍐模型架构定义
• 🍏前向传播
• 🍎损失函数和优化器配置
• 🥭引入注意力机制

🍌env.py

设置了项目所需的环境变量和配置。

🍋predict.py

加载训练好的模型，并对新数据进行预测。

🍊test.py

用于模型测试的脚本。

🍉train.py

包含了训练模型的完整流程，包括数据加载、模型训练和评估。

🍈collecting_data.py

通过爬虫或API收集数据。

🍇concat_json.py

将多个JSON文件合并为一个，以便进行统一的预处理和分析。

🥥process_data.py

进行数据清洗和预处理，包括数据格式转换、归一化等操作。

🥝app.py

使用Flask框架构建的Web应用程序入口，提供前端接口和后台逻辑。

🍰index.html

前端HTML页面，用于用户交互，选择队伍和英雄进行胜率预测。

🍧beifen.js

前端JavaScript代码，实现页面的动态功能，包括自动补全、图表绘制和预测结果展示。

🍜style.css

前端CSS样式表，定义了页面的布局和样式。

🍚贡献

欢迎提出问题、建议和贡献代码。请通过GitHub issue进行讨论和提交PR。

🍖许可证

本项目采用MIT许可证，详情请参阅 LICENSE 文件。

---

🔋 如有任何问题，请联系项目作者。

🥗E-mail: 2020311228@bipt.edu.cn

🍟WeChat: Viper373

🍔QQ: 2483523414